招聘16000个岗位，月薪平均19.6K。。。

你好，我是郭震

京东宣布，2025校招8月1日开启，提供1万6千个岗位：

今天这篇文章总结岗位薪资、面试经验、面试题目。

在1万6千岗位中，包括1万+毕业生岗位，6千个实习生岗位。

同时，京东1号园区正式启用，新建D、E、F楼，新增1万+工位：

接下来，看下招聘岗位的大概薪资情况：

开发岗，薪资：23K * 16 个月，基本年包36万+：

算法岗，薪资：25.5K起， * 16 个月，基本年包40万+：

算法岗，薪资天花板：36.5K，拿到这个base，还是有难度，可能背景和实力非常好的，才有可能。

产品岗，18K起步，招聘时，比较看重实习经历。

非技术岗中，采销现在较有前景。

整体来看，京东提供的这四类岗位平均薪资，19.6K，已近每月2万，base年包*16，刚毕业下来已有31万+，刚毕业拿到这个薪资，已很不错。

京东招聘算法岗，常问到的面试题，我总结在第2节，老铁们，可以参考。

面试最常问到问题总结：

另外，关于Leetcode题目，可以多练习，准备步骤如下：

1 线性表

1.1 数组

求数组里面连续子段和最大值？

旋转数组查找k

旋转数组中查找某给定数（二分查找）

一个数组中出现次数最多的K个数？

2^n个数组，每个数组长度都是m，每个都是有序，合并成一个有序的数组？

数组中最大子数组的和，矩阵中最大子矩阵块的和？

一个数组里面，每K个数是一个递增的有序数组，将整个数组排序？

给定一个有序数组，统计目标值的个数。（二分查找，找到目标值的下界和上界。）

1.2 链表

反转链表

K个一组，反转链表

单链表的分组翻转（即 k个一组翻转链表）

如何判断一个链表上是否有环？

快慢指针如果快指针走3步的话呢 还能奏效吗? 如果快慢指针的起点不一样呢，还能奏效吗？

链表转化，1->2->3->4->5->6->7转化为1->7->2->6->3->5->4？

合并两个有序链表，合并k个有序链表（不让用递归），最小的k个数（指定用partition，为什么时间复杂度是O(n)）

1.3 字符串

字符串转int？

字符串拼接成最大的数字的排序？

括号匹配：给定n对括号，求问总共有多少种排列方式？要求必须满足左右括号的顺序？

实现字符串的lr_trim算法，去掉字符串首尾的多个空格，函数名是  void lr_trim(char * s)

求字符串的最大回文子串(动态规划)

给一个小字符串数组，一个目标字符串，目的是找出数组中是目标字符串的子串的最大长度，我的想法就是维护字典树，加KMP模式匹配优化。

多个字符串，给定前缀和长度比例阈值，返回符合条件的字符串个数？

给出一个字符串，写出该子符串的全部排列组合？

反转字符串

给定2个字符串求最长公共子串的长度

更多面经：2 树（二叉树、堆、图、拓扑排序）、3 算法思想 、4 数论 、5 计算几何、6 概率分析

已经总结到我的知识星球，文末可以点击查看。

要想胜任上面AI岗位，还需要学习最新的生成式AI，这是加分项。

学历背景+技能，两者缺一不可。

学历背景好，可以弥补技能不足；

技能强，可以一定程度弥补学历背景的短板。

两者有一种平衡关系。

学历背景不多说，接下来，重点总结AI大模型（生成式AI）：所需关键技能。

1. 机器学习和深度学习基础

• 概率论与统计学：理解基本的概率和统计学知识，这对于理解生成式模型的工作原理至关重要。

• 线性代数和微积分：掌握矩阵运算、微分和积分等数学工具，用于优化和训练神经网络。

2. 生成式模型

• 生成对抗网络（GANs）：掌握GAN及其变体（如DCGAN、CycleGAN、StyleGAN等）的工作原理和实现方法，用于图像生成和变换。

• 变分自编码器（VAEs）：理解VAE的理论和应用，主要用于生成连续数据如图像。

• 自动回归模型：如PixelRNN、PixelCNN，主要用于生成高质量的图像。

3. 自然语言处理（NLP）和生成

• 语言模型：掌握语言模型的原理，如GPT（Generative Pre-trained Transformer）、BERT等，用于生成文本。

• 序列到序列模型（Seq2Seq）：用于翻译、对话生成等任务。

• 注意力机制：理解和实现注意力机制，特别是在Transformer架构中，用于处理序列数据。

4. 音频和音乐生成

• 神经网络音频合成：如WaveNet，用于生成高质量的音频和音乐。

• 音频处理基础：理解基本的音频信号处理，如频谱分析、滤波等。

5. 计算机视觉

• 图像合成与变换：使用深度学习技术进行图像风格迁移、超分辨率生成、图像修复等。

• 三维生成：理解和实现用于生成3D模型和场景的技术，如3D GANs、神经渲染。

6. 工具和框架

• 深度学习框架：如TensorFlow、PyTorch，用于模型开发和训练。

• 图像处理工具：如OpenCV，用于预处理图像数据。

• 音频处理工具：如Librosa，用于音频数据的分析和处理。

7. 优化与训练技巧

• 优化算法：如SGD、Adam，理解其在训练生成模型中的应用。

• 正则化技术：如L1/L2正则化、Dropout等，用于防止过拟合。

安利2个开源免费福利。

1. 我的个人AI 网站：https://ai-jupyter.com

2. 普通人了解AI应该做的最重要两件事：

• 应该先从AI工具使用开始
• 应该先了解AI基础名词

普通人了解AI大忌：

• 不应该上来就学AI理论
• 不应该排斥AI，认为AI无用

基于上面，我也花费不少时间，做了一个详细的开源教程：《普通人学AI指南》.PDF

咱们先别弄那些高深的AI理论，先玩熟AI基本概念、AI工具、自己电脑搭建AI和知识库。